Association - LAMSADE - Université Paris

Data Mining/ Machine Learning
Association
Jamal Atif
[email protected]
M2 ID
Universit´e Paris-Dauphine
2015-2016
Jamal Atif (Universit´e Paris-Dauphine) DL/ML 2015-2016 1 / 63

Introduction
Plan
1Introduction
2Approche
Notions de base
Sous-ensembles fr´equents
Algorithme A Priori
Calcul des supports
G´en´eration des r`egles
3Conclusion
Jamal Atif (Universit´e Paris-Dauphine) DL/ML 2015-2016 2 / 63

Introduction
Motivation
Domaine de la grande distribution, marketing
Analyse du panier de la m´enag`ere (Market Basket Model)
Objectifs :
Identifier les produits qui sont achet´es ensemble par un nombre suffisant de
consommateurs.
Etudier ce que les clients ach`etent pour obtenir des informations sur qui sont les
clients et pourquoi ils font certains achats.
Transcrire la connaissance extraite sous la forme de r`egles d’association (Si ...
alors ...).
Approche :
Analyser les tickets de caisse pour d´etecter les d´ependances entre produits, e.g.
quels produits tendent `a ˆetre achet´es ensemble.
Exemple de r`egles
Si un client ach`ete des plantes alors il ach`ete du terreau.
Si un client ach`ete du poisson et du citron alors il ach`ete du vin blanc.
Si un client ach`ete une t´el´evision alors il ach`etera un lecteur de dvd dans un
mois.
Jamal Atif (Universit´e Paris-Dauphine) DL/ML 2015-2016 3 / 63

Introduction
Motivation : Exemple
Entr´ee : Un ensemble de tickets de caisse
Une observation = un caddie, un ticket de caisse.
Non prise en compte de la fr´equence des produits.
Un grand nombre de produits, un grand nombre de caddies (petit sous
ensemble de l’ensemble de produits).
Sortie : Des r`egles
Jamal Atif (Universit´e Paris-Dauphine) DL/ML 2015-2016 4 / 63

Introduction
Approche
M´ethode non supervis´ee : on ne dispose en entr´ee que de la description des
achats.
Une approche `a deux ´etapes
Calcul des ensemble fr´equents : notion `a d´efinir.
G´en´erer les r`egles d’association
Jamal Atif (Universit´e Paris-Dauphine) DL/ML 2015-2016 5 / 63